从JPEG压缩到AI生图：PSNR指标在5个真实场景下的Python代码实战

从JPEG压缩到AI生图：PSNR指标在5个真实场景下的Python代码实战

当你需要量化两张图像的视觉差异时，峰值信噪比（PSNR）就像一把标尺。这个看似简单的指标，却能揭示JPEG压缩的失真程度、超分辨率模型的提升效果、去噪算法的保留细节能力、图像修复的还原度，甚至是AI生成图像的逼真程度。下面我们将通过具体场景，展示如何用Python让PSNR从理论公式变成实用工具。

1. 理解PSNR的核心逻辑

PSNR的数学表达式看似复杂，其实核心思想很直观：比较两幅图像对应像素的差异程度，并将这个差异转换为人类更容易理解的分贝值。公式中的MAX参数尤为关键，它决定了PSNR的取值范围：

import numpy as np import math def manual_psnr(original, processed, max_val=255): mse = np.mean((original - processed) ** 2) if mse == 0: # 完全相同图像 return float('inf') return 20 * math.log10(max_val / math.sqrt(mse))

注意：当处理浮点图像（像素值0-1）时，max_val应设为1.0；对8位图像则用255。这个基础版本不考虑色彩空间转换，实际应用中可能需要先转换到Y通道（亮度）再计算。

2. 评估JPEG压缩质量

JPEG压缩是典型的"有损"过程，PSNR能精确量化压缩带来的质量损失。我们比较不同压缩质量参数下的PSNR值：

压缩质量	文件大小(KB)	PSNR(dB)	视觉评价
100	480	∞	无失真
90	120	38.7	几乎无差异
75	85	35.2	轻微块效应
50	60	32.1	明显伪影

实现代码示例：

from PIL import Image import io def jpeg_psnr_evaluation(original_path, quality=90): original = Image.open(original_path) buffer = io.BytesIO() original.save(buffer, format="JPEG", quality=quality) compressed = Image.open(buffer) return peak_signal_noise_ratio(np.array(original), np.array(compressed))

提示：JPEG在30-40dB通常被认为是可接受范围，低于30dB时压缩伪影会变得明显

3. 对比超分辨率模型效果

超分辨率任务中，PSNR是衡量模型重建精度的关键指标。我们比较三种典型算法的表现：

def evaluate_sr_models(lr_image, hr_groundtruth): # 假设有三种超分模型 bicubic = bicubic_upscale(lr_image) srcnn = srcnn_predict(lr_image) edsr = edsr_predict(lr_image) results = { 'Bicubic': peak_signal_noise_ratio(hr_groundtruth, bicubic), 'SRCNN': peak_signal_noise_ratio(hr_groundtruth, srcnn), 'EDSR': peak_signal_noise_ratio(hr_groundtruth, edsr) } return results

实际测试发现：

• Bicubic插值通常PSNR在28-32dB
• 传统SRCNN能达到32-35dB
• 现代EDSR等模型可突破35-38dB

但要注意，PSNR高的图像不一定视觉效果好——有些高频细节可能被平滑处理，这时需要结合SSIM等指标综合评估。

4. 衡量图像去噪算法性能

面对不同噪声类型，PSNR能客观反映去噪效果。我们模拟高斯噪声并测试去噪算法：

def noise_removal_benchmark(clean_image, noise_level=0.1): noisy = clean_image + np.random.normal(0, noise_level, clean_image.shape) # 不同去噪方法 gaussian = cv2.GaussianBlur(noisy, (5,5), 0.5) bm3d = BM3D_denoise(noisy) dncnn = DnCNN_predict(noisy) metrics = { 'Noisy': manual_psnr(clean_image, noisy, 1.0), 'Gaussian': manual_psnr(clean_image, gaussian, 1.0), 'BM3D': manual_psnr(clean_image, bm3d, 1.0), 'DnCNN': manual_psnr(clean_image, dncnn, 1.0) } return metrics

典型结果范围：

• 噪声图像：20-25dB
• 传统滤波：25-30dB
• 先进算法：30-35dB

5. 评估图像修复结果质量

对于缺失区域的修复，PSNR需要特殊处理——只计算被修复区域的差异：

def inpainting_evaluation(original, masked, inpainted, mask): # mask中1表示需要修复的区域 roi_original = original[mask==1] roi_inpainted = inpainted[mask==1] return peak_signal_noise_ratio(roi_original, roi_inpainted)

修复质量评判标准：

• PSNR<25dB：修复效果差，明显痕迹
• 25-30dB：可察觉修复痕迹
• 30-35dB：修复效果良好

• 35dB：几乎看不出修复区域

6. 量化GAN生成图像逼真度

评估GAN生成图像时，PSNR需要与人工评价结合。实现时要注意对齐生成图和真实图：

def gan_quality_assessment(real_images, fake_images): psnrs = [] for real, fake in zip(real_images, fake_images): # 可能需要先进行对齐操作 aligned_fake = align_to_reference(fake, real) psnrs.append(peak_signal_noise_ratio(real, aligned_fake)) return np.mean(psnrs)

实际项目中发现的规律：

• PSNR>30dB：生成质量较高
• 25-30dB：质量中等，可能有局部失真
• <25dB：质量较差，明显伪影

但GAN评估不能只看PSNR，低PSNR有时对应更具创意的生成结果，这时需要结合FID等专门指标。